改进了基于深度学习的多中心心肌 perfusion 心血管 MRI 数据集的细分,使用数据适应性不确定性引导的时空分析的强度

科学领域:

• 心血管成像 - 心血管成像
• 人工智能在医学中的应用
• 医学图像分析 医学图像分析

背景情况:

• 对心肌输液心血管磁共振成像 (CMR) 的全自动分析对于在缺血性心脏病中进行压力/休息研究的客观报告至关重要.
• 开发强大的深度学习 (DL) 模型用于多中心CMR数据集,由于软件和硬件的变化而存在挑战.

研究的目的:

• 开发和评估一种新的深度学习方法,用于对心肌输液CMR数据集进行强有力的细分.
• 为了提高DL模型在不同医疗中心,扫描仪供应商和脉冲序列的普遍性.

主要方法:

• 使用U-Net深度神经网络 (DNN) 的数据池开发了一个数据适应性不确定性引导时空 (DAUGS) 分析.
• DAUGS方法利用像素智能的不确定性地图自动从DNN池中选择最好的细分.
• 模型的稳定性在内部和外部多中心数据集上进行了评估,脉冲序列和扫描仪供应商的变化.

主要成果:

• 在DAUGS分析中,内部数据的性能与既定方法相比较,但在外部数据集上表现明显出色 (Dice分数:0.885与0.849对于脉冲序列变化;0.811与0.728对于扫描仪供应商变化).
• 与既定方法相比,DAUGS方法显著降低了失败细分率 (4.3%与17.1%相比).

结论:

• 拟议的DAUGS分析方法表明,在多中心心肌 perfusion 数据集中,有可能提高基于DL的细分的稳定性.
• 在脉冲序列,站点位置或扫描仪供应商的变化的情况下,DAUGS提供了更好的可靠性,促进了更广泛的临床采用.